电子健康记录（EHR）患者数据的深度表示学习：系统性综述
机器学习
2021-01-26 v2 人工智能
摘要
患者表示学习是指学习患者的密集数学表示，该表示对来自电子健康记录（EHR）的有意义信息进行编码。这通常使用先进的深度学习方法执行。本研究对该领域进行系统性综述，并从方法论角度提供定性与定量分析。我们检索了MEDLINE、EMBASE、Scopus、美国计算机协会（ACM）数字图书馆和电气与电子工程师协会（IEEE）Xplore数字图书馆中利用深度学习从EHR开发患者表示的研究。在筛选363篇文章后，纳入49篇论文进行全面数据收集。我们注意到一个典型工作流：从输入原始数据、应用深度学习模型，到以临床结局预测作为所学表示的评估。具体而言，从结构化EHR数据学习表示占主导（49项研究中的37项）。循环神经网络作为深度学习架构被广泛使用（LSTM：13项研究，GRU：11项研究）。疾病预测是最常见应用与评估（31项研究）。由于EHR数据隐私问题，基准数据集大多不可用（28项研究），代码可用性在20项研究中得到保证。我们通过系统性综述显示了学习患者EHR数据综合表示的重要性和可行性。患者表示学习技术的进展对于推动患者级EHR分析至关重要。未来工作仍将致力于利用可用EHR数据的丰富性与潜力。知识蒸馏与先进学习技术将被用以进一步提升学习患者表示的能力。
引用
@article{arxiv.2010.02809,
title = {Deep Representation Learning of Patient Data from Electronic Health Records (EHR): A Systematic Review},
author = {Yuqi Si and Jingcheng Du and Zhao Li and Xiaoqian Jiang and Timothy Miller and Fei Wang and W. Jim Zheng and Kirk Roberts},
journal= {arXiv preprint arXiv:2010.02809},
year = {2021}
}